論文の概要: To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection

• arxiv url: http://arxiv.org/abs/2109.01770v1
• Date: Sat, 4 Sep 2021 02:45:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:41:00.408655
• Title: To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection
• Title（参考訳）: 批判的:正当性物体検出のための自己校正弱教師付き学習
• Authors: Yongri Piao, Jian Wang, Miao Zhang, Zhengxuan Ma, Huchuan Lu
• Abstract要約: 弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
• 参考スコア（独自算出の注目度）: 95.21700830273221
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly-supervised salient object detection (WSOD) aims to develop saliency models using image-level annotations. Despite of the success of previous works, explorations on an effective training strategy for the saliency network and accurate matches between image-level annotations and salient objects are still inadequate. In this work, 1) we propose a self-calibrated training strategy by explicitly establishing a mutual calibration loop between pseudo labels and network predictions, liberating the saliency network from error-prone propagation caused by pseudo labels. 2) we prove that even a much smaller dataset (merely 1.8% of ImageNet) with well-matched annotations can facilitate models to achieve better performance as well as generalizability. This sheds new light on the development of WSOD and encourages more contributions to the community. Comprehensive experiments demonstrate that our method outperforms all the existing WSOD methods by adopting the self-calibrated strategy only. Steady improvements are further achieved by training on the proposed dataset. Additionally, our method achieves 94.7% of the performance of fully-supervised methods on average. And what is more, the fully supervised models adopting our predicted results as "ground truths" achieve successful results (95.6% for BASNet and 97.3% for ITSD on F-measure), while costing only 0.32% of labeling time for pixel-level annotation.
• Abstract（参考訳）: weakly supervised salient object detection (wsod) は、画像レベルのアノテーションを用いた塩分モデルの開発を目的としている。 先行研究の成功にもかかわらず、saliency networkの効果的なトレーニング戦略の探求と、画像レベルのアノテーションとsalient objectsの正確なマッチングはまだ不十分である。 本研究では,擬似ラベルとネットワーク予測の相互校正ループを明示的に確立し,擬似ラベルによる誤りの発散からサリエンシネットワークを解放し,自己校正型トレーニング戦略を提案する。 2)より小さなデータセット(imagenetの約1.8%)でも、よくマッチしたアノテーションによってモデルのパフォーマンスと汎用性が向上できることを証明します。 これはWSODの開発に新たな光を当て、コミュニティへのより多くの貢献を奨励します。 包括的実験により,本手法は既存のwsodメソッドを自己調整戦略のみを採用することにより,すべてに勝ることを示した。 提案されたデータセットのトレーニングによって、着実に改善される。 また,本手法は平均で94.7%の性能を達成している。 さらに、予測結果を「地上の真実」として採用した完全教師付きモデル(BASNetは95.6%、ITSDは97.3%)は、ピクセルレベルのアノテーションのラベル付け時間をわずか0.32%に抑えている。

関連論文リスト

• Boosting Visual-Language Models by Exploiting Hard Samples [126.35125029639168]
  HELIPは、既存のCLIPモデルの性能を高めるための費用対効果戦略である。 我々の方法では、既存のモデルのトレーニングパイプラインと懸命に統合できます。 包括的なベンチマークでは、HELIPはパフォーマンス向上のために既存のモデルを継続的に強化する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• Pixel is All You Need: Adversarial Trajectory-Ensemble Active Learning for Salient Object Detection [40.97103355628434]
  弱教師付きデータで訓練されたサリエンシモデルがその完全教師付きバージョンの同等のパフォーマンスを達成できるかどうかは不明である。 我々は,新しい対向軌道アンサンブルアクティブラーニング(ATAL)を提案する。 実験の結果、私たちのALTはそのようなポイントラベル付きデータセットを見つけることができ、トレーニングされたサリエンシモデルは、イメージ毎に10の注釈付きポイントしか持たないフル教師付きバージョンの97%$ --99%のパフォーマンスを得ることができた。
  論文  参考訳（メタデータ） (2022-12-13T11:18:08Z)
• Weighted Ensemble Self-Supervised Learning [67.24482854208783]
  組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。 我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。 提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
  論文  参考訳（メタデータ） (2022-11-18T02:00:17Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• STEdge: Self-training Edge Detection with Multi-layer Teaching and Regularization [15.579360385857129]
  大規模未ラベル画像データセットの未使用富を活用した自己学習エッジ検出の課題について検討する。 マルチレイヤの正規化と自己学習を併用した自己教師型フレームワークを設計する。 本手法は,未確認のBIPEDデータセットを用いて,ODSが4.8%,OISが5.8%向上した。
  論文  参考訳（メタデータ） (2022-01-13T18:26:36Z)
• A new weakly supervised approach for ALS point cloud semantic segmentation [1.4620086904601473]
  本稿では,ALS点雲のセマンティックセグメンテーションのための,ディープラーニングに基づく弱教師付きフレームワークを提案する。 不完全でスパースなラベルの対象となるラベルのないデータから潜在的情報を利用する。 本手法は, 総合精度が83.0%, 平均F1スコアが70.0%であり, それぞれ6.9%, 12.8%増加した。
  論文  参考訳（メタデータ） (2021-10-04T14:00:23Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。